ノーコードでAI agentを組めるOSSフレームワーク Langflow のGitHubスター数が147,683を突破した。LangChainやLangGraphのラッパー的存在から、独自のRuntimeと配布形態を備えた「エージェント基盤の本命」へと急速に進化しており、社内の業務自動化を内製化したい企業にとって、現時点で最も現実的な選択肢の一つになりつつある。
何が起きたか
langflow-ai/langflow は、ドラッグ&ドロップのビジュアルエディタでLLMアプリケーションやエージェントワークフローを構築できるPython製OSSだ。2025年初頭にDataStaxによる買収を経て開発速度が加速し、2026年5月時点でスター数は約14.7万に到達。これはOSS AI領域ではLangChain (約10万) を上回り、Dify や n8n と並ぶ規模感である。
技術スタックは FastAPI + React Flow + LangChain ベース。バックエンドはasync/awaitで実装され、SQLiteまたはPostgreSQLにフロー定義をJSONで永続化する。最大の特徴は、GUI上で組んだフローをそのままREST APIエンドポイントとして即座にPublishできる点だ。
# uvでのインストール、ローカル起動はワンコマンド
uv pip install langflow
uv run langflow run --host 0.0.0.0 --port 7860
各ノードは内部的にPythonクラスで定義されており、CustomComponent を継承すれば独自ロジックを差し込める。これがノーコードツールでありながら、エンジニアにとっても「逃げ道」のある設計になっている所以だ。
なぜこのニュースが重要か
スター数自体は虚栄指標と揶揄されることもあるが、14.7万という規模になると話は別だ。エンタープライズの調達担当者がOSS導入を社内稟議にかける際の、最低限の安心材料として機能するラインに入っている。実際、AWS BedrockやIBM watsonxのエージェント領域がプロプライエタリな囲い込みに向かう中、Langflowは Apache 2.0+独自条項のOSSとしてセルフホスト可能であり、データ主権を保ちたい金融・医療・公共セクターからの引きが強い。
もう一つ重要なのは、Langflowが Model Context Protocol (MCP) のクライアント・サーバー両対応を進めている点だ。AnthropicがClaudeで推進してきたMCPは、エージェントとツール間の接続規格として2025年後半に事実上のデファクトとなった。Langflowで構築したフローをMCPサーバーとして公開し、Claude DesktopやCursorから呼び出す、といった構成がGUIだけで完結する。
エンジニア視点での技術深掘り
実装面で押さえておくべき論点はいくつかある。
1. 実行モデル: Langflowのフロー実行は基本的にDAG (有向非巡回グラフ) ベースで、各ノードの出力を次ノードの入力に流すPull型評価。LangGraphのようなステートフルなループ処理は Loop コンポーネントで対応するが、複雑な条件分岐や人間のフィードバックを挟むAgent loopは依然として手書きのほうが見通しが良いケースもある。
2. 観測性: 内蔵のトレースビューワに加え、LangSmith や Langfuse との連携が環境変数だけで有効化できる。本番運用では LANGFUSE_PUBLIC_KEY を設定してトークン消費とレイテンシをノード単位で可視化するのが定石になる。
3. デプロイ: 公式Docker imageは約2GBと重めだが、Kubernetes Helm chartも提供されている。注意点として、デフォルトでは認証がAUTO_LOGIN=trueになっておりインターネット公開時は必ず LANGFLOW_SUPERUSER を設定すること。2025年には認証バイパス系のIssueも報告されており、リバースプロキシ側でのIP制限併用が推奨される。
4. カスタムコンポーネント:
from langflow.custom import Component
from langflow.io import MessageTextInput, Output
class SlackNotifier(Component):
display_name = "Slack Notifier"
inputs = [MessageTextInput(name="message", display_name="Message")]
outputs = [Output(display_name="Status", name="status", method="send")]
def send(self) -> str:
# webhook送信ロジック
return "sent"
このシンプルさが、社内SaaSとの統合コンポーネントを情シス部門が量産できる土壌になっている。
経営者・技術リーダーが取るべき動き
「ベンダー製エージェントSaaSに月数十万払うか、内製するか」という二択は、もはや古い問いだ。現実的な解はLangflowのようなセルフホスト可能なOSS基盤を社内に1セット立て、LLM APIキーだけはOpenAI・Anthropic・社内ホストのLlamaを使い分けるハイブリッド構成である。
最初の一歩としては、議事録要約・問い合わせ一次受け・社内ドキュメントRAGあたりが定番だ。これらはLangflowのテンプレートにそのまま存在し、PoCなら半日で立ち上がる。重要なのはPoC後の運用設計で、(1) フロー定義のGit管理 (JSONエクスポート→PRレビュー)、(2) プロンプト変更時のregressionテスト、(3) コスト監視ダッシュボード、の3点を最初から組み込んでおくと、後から「誰がいつ何を変えたか分からない」状態に陥らずに済む。
OSSの採用実績は採用ブランディングにも効く。求人票に「Langflow / LangGraph / MCPを用いた社内エージェント基盤の構築」と書けるかどうかで、応募してくるエンジニアの層は明確に変わる。14.7万スターという数字は、その看板を掲げるに足る市場認知が既にあることを意味している。
動画でも詳しく
動画は記事冒頭の埋め込みからフル尺で視聴できます。